Informe panorámico de la pista Web3-AI: lógica técnica, aplicaciones en escenarios y análisis profundo de proyectos de primer nivel
Con el continuo aumento del interés por la narrativa de IA, cada vez más atención se centra en este campo. Este artículo analiza en profundidad la lógica técnica, los escenarios de aplicación y los proyectos representativos del campo Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo de este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes
1.1 Lógica de fusión de Web3 y AI: cómo definir la pista Web3-AI
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como hongos después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA. Por lo tanto, estos proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo radica en el uso de la blockchain para resolver problemas de relaciones de producción y proyectos donde la IA aborda problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, expandir y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contengan gatos y perros, se pueden utilizar conjuntos de datos públicos o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elige un modelo adecuado, como las redes neuronales convolucionales (CNN), que son especialmente adecuadas para tareas de clasificación de imágenes. Ajusta los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, los niveles de red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda podría ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo. El tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo ya entrenado se suele denominar pesos del modelo, y el proceso de inferencia se refiere a la utilización del modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar la efectividad de clasificación del modelo, que generalmente se evalúa utilizando indicadores como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la imagen, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, así como el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba, obteniendo así los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: equipos pequeños o individuos que buscan obtener datos en campos específicos (como datos médicos) pueden enfrentar restricciones debido a la falta de código abierto de los datos.
Selección y ajuste de modelos: para los equipos pequeños, es difícil obtener recursos de modelos específicos o gastar una gran cantidad de costos en el ajuste de modelos.
Obtención de poder de cómputo: Para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de poder de cómputo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada se pueden abordar mediante la combinación con Web3, que, como una nueva forma de relación de producción, se adapta de manera natural a la IA que representa nuevas fuerzas productivas, promoviendo así el avance simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser meros usuarios de AI en la era de Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA entrarán en un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que a su vez incentiva a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenas de juego variadas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, permitiendo que tanto expertos en IA como principiantes que desean ingresar al campo de la IA encuentren una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Hemos investigado principalmente 41 proyectos en el sector de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la figura a continuación, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada capa se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura tecnológica que soportan todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al apoyo de esta infraestructura que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de computación. Algunos proyectos han creado mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de participación, como Compute Labs, que ha propuesto un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede facilitar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos y razonamiento y verificación, y el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.
Datos: La calidad y cantidad de los datos son factores clave que afectan la eficacia del entrenamiento del modelo. En el mundo de Web3, a través de la recopilación de datos por crowdsourcing y el procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos, vendiéndolos en condiciones de protección de la privacidad para evitar que comerciantes malintencionados los roben y obtengan altos beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos extremadamente bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos de la web, xData recopila información multimedia a través de un plugin fácil de usar, y apoya a los usuarios en la carga de información de tweets.
Además, algunas plataformas permiten que expertos en el campo o usuarios comunes realicen tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que abarca tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocol etiqueta los datos a través de la colaboración entre humanos y máquinas.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la coincidencia con el modelo adecuado. Modelos comúnmente utilizados en tareas de imágenes como CNN, GAN; para tareas de detección de objetos, se puede elegir la serie Yolo; en tareas de texto, se utilizan comúnmente modelos como RNN, Transformer, y por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de las tareas, y a veces es necesario ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través del crowdsourcing, como Sentient, que a través de un diseño modular permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: Después de que el modelo ha sido entrenado, generará un archivo de pesos del modelo que se puede utilizar para realizar clasificaciones, predicciones u otras tareas específicas, este proceso se denomina inferencia. El proceso de inferencia suele ir acompañado de un mecanismo de verificación para validar la procedencia del modelo de inferencia, si es correcto, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, llamando al modelo para realizar la inferencia. Los métodos comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en la cadena ORA (OAO) han introducido OPML como una capa verificable para el oráculo de IA. En el sitio web oficial de ORA también mencionan su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en revisar los proyectos en varios sectores, incluidos AIGC (Contenido Generado por IA), Agentes de IA y Análisis de Datos.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
20 me gusta
Recompensa
20
8
Compartir
Comentar
0/400
BlockchainWorker
· hace4h
De nuevo con la IA, el mercado ha perseguido la tendencia hasta el infinito.
Ver originalesResponder0
UncleWhale
· hace7h
确实被 tomar a la gente por tonta 所以不再闭眼冲
Ver originalesResponder0
GateUser-40edb63b
· 07-30 17:44
Todos en la trampa de la IA, ser engañados, uno por uno.
Ver originalesResponder0
ser_we_are_ngmi
· 07-30 17:41
Creo que muchos proyectos están tomando a la gente por tonta con la IA.
Ver originalesResponder0
SchroedingerMiner
· 07-30 17:36
¿De nuevo narrativa financiera, cuánto tiempo podrá correr esta ola?
Ver originalesResponder0
OffchainOracle
· 07-30 17:33
Algunos campos que son sutiles en su desarrollo están avanzando hacia web3 y han comenzado a especular con conceptos.
Ver originalesResponder0
MercilessHalal
· 07-30 17:23
Otra vez es una nueva oportunidad para Ser engañados, solo hay que ver quién introduce una posición primero y quién tiene carne para comer.
Ver originalesResponder0
DeFiAlchemist
· 07-30 17:22
ser, esto no es solo otra fusión tecnológica... estamos presenciando pura alquimia financiera aquí, para ser honesto.
Web3-AI panorámico: análisis profundo de la lógica técnica, escenarios de aplicación y proyectos de primer nivel
Informe panorámico de la pista Web3-AI: lógica técnica, aplicaciones en escenarios y análisis profundo de proyectos de primer nivel
Con el continuo aumento del interés por la narrativa de IA, cada vez más atención se centra en este campo. Este artículo analiza en profundidad la lógica técnica, los escenarios de aplicación y los proyectos representativos del campo Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo de este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes
1.1 Lógica de fusión de Web3 y AI: cómo definir la pista Web3-AI
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como hongos después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA. Por lo tanto, estos proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo radica en el uso de la blockchain para resolver problemas de relaciones de producción y proyectos donde la IA aborda problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, este artículo presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, expandir y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contengan gatos y perros, se pueden utilizar conjuntos de datos públicos o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elige un modelo adecuado, como las redes neuronales convolucionales (CNN), que son especialmente adecuadas para tareas de clasificación de imágenes. Ajusta los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, los niveles de red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda podría ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo. El tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo ya entrenado se suele denominar pesos del modelo, y el proceso de inferencia se refiere a la utilización del modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar la efectividad de clasificación del modelo, que generalmente se evalúa utilizando indicadores como la precisión, la tasa de recuperación y el F1-score.
Como se muestra en la imagen, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, así como el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba, obteniendo así los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: equipos pequeños o individuos que buscan obtener datos en campos específicos (como datos médicos) pueden enfrentar restricciones debido a la falta de código abierto de los datos.
Selección y ajuste de modelos: para los equipos pequeños, es difícil obtener recursos de modelos específicos o gastar una gran cantidad de costos en el ajuste de modelos.
Obtención de poder de cómputo: Para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de poder de cómputo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada se pueden abordar mediante la combinación con Web3, que, como una nueva forma de relación de producción, se adapta de manera natural a la IA que representa nuevas fuerzas productivas, promoviendo así el avance simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser meros usuarios de AI en la era de Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA entrarán en un nuevo sistema de economía colaborativa. La privacidad de los datos de las personas puede ser garantizada, el modelo de crowdsourcing de datos promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que a su vez incentiva a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenas de juego variadas y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, permitiendo que tanto expertos en IA como principiantes que desean ingresar al campo de la IA encuentren una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Hemos investigado principalmente 41 proyectos en el sector de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la figura a continuación, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada capa se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura tecnológica que soportan todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al apoyo de esta infraestructura que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de computación. Algunos proyectos han creado mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de participación, como Compute Labs, que ha propuesto un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades de GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede facilitar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos y razonamiento y verificación, y el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.
Además, algunas plataformas permiten que expertos en el campo o usuarios comunes realicen tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Un ejemplo es el mercado de IA de Sahara AI, que abarca tareas de datos en diferentes campos y puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocol etiqueta los datos a través de la colaboración entre humanos y máquinas.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través del crowdsourcing, como Sentient, que a través de un diseño modular permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en revisar los proyectos en varios sectores, incluidos AIGC (Contenido Generado por IA), Agentes de IA y Análisis de Datos.